Применение Big Data в лабораторной медицине
https://doi.org/10.18705/2782-3806-2023-3-4-77-87
Аннотация
Термин «большие данные» (Big Data) относится к массивам данных, объем которых превышает возможности традиционных баз данных в хранении, управлении и анализе информации. Возникновению алгоритмов больших данных способствовало внедрение мощных серверов, которые стали обладать достаточными ресурсами для обработки информации и компьютерных вычислений с целью применения больших данных для статистической обработки, анализа, прогнозирования и принятия решений. В лабораторной практике при наличии большого количества цифровой информации практическое использование Big Datа в настоящее время не имеет большого распространения. Цель данной работы — провести ретроспективный обзор литературных источников по применению Big Data в сфере лабораторной медицины в период 2018–2023 гг. и проанализировать имеющиеся практические разработки, преимущества и достижения, связанные с аналитикой больших данных в сфере лабораторной медицины; проблемы, возможности и перспективы применения.
Об авторах
М. А. Овчинникова
Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации
Россия
Россия
Овчинникова Марина Александровна - ординатор кафедры лабораторной медицины и генетики
ул. Аккуратова, д. 2, Санкт-Петербург, 197341
Ю. И. Жиленкова
Федеральное государственное бюджетное учреждение «Национальный медицинский
исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации; Федеральное государственное бюджетное образовательное учреждение высшего
образования «Северо-Западный государственный медицинский университет имени И. И. Мечникова» Министерства здравоохранения Российской Федерации
Россия
Россия
Жиленкова Юлия Исмаиловна - к.м.н., доцент кафедры лабораторной медицины и генетики
Санкт-Петербург
Н. Ю. Черныш
Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации; Федеральное государственное бюджетное учреждение «Российский научно-исследовательский институт гематологии и трансфузиологии Федерального медико-биологического агентства»
Россия
Россия
Черныш Наталия Юрьевна - к.м.н., доцент кафедры лабораторной медицины и генетитики
Санкт-Петербург
Список литературы
1. Cadamuro, J. Rise of the Machines: The Inevitable Evolution of Medicine and Medical Laboratories Intertwining with Artificial Intelligence — A Narrative Review. Diagnostics 2021, 11, 1399. doi.org/10.3390/diagnostics11081399
2. Damien Gruson, Thibault Helleputte, Patrick Rousseau, et al. Data science, artificial intelligence, and machine learning: Opportunities for laboratory medicine and the value of positive regulation, Clinical Biochemistry, Volume 69, 2019, Pages 1–7, ISSN 0009- 9120. doi.org/10.1016/j.clinbiochem.2019.04.013
3. Lynch C. Big data: how do your data grow? // Nature. 2008. Vol. 455. № 7209. P. 28–29.
4. Шляхто Е.В., Конради А.О., Курапеев Д.И. Информация как важнейший инструмент развития персонализированной медицины. Как научиться ей управлять на благо пациента. Наука о «больших данных». Российский журнал персонализированной медицины. 2022;2(6):6–15. DOI: 10.18705/2782-3806-2022-2-6-6-15.
5. Гусев А.В., Новицкий Р.Э., Ившин А.А. и др. Машинное обучение на лабораторных данных для прогнозирования заболеваний. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2021;14(4):581–592.
6. Власов В.С., Спельников Д.М., Вавилова Т.В. и др. Прогнозирование повышения концентрации фибрин-мономера при беременности с использованием машинного обучения. Лабораторная служба. 2022;11(4):31–38. doi.org/10.17116/labs20221104131
7. Карнаухов Н.С., Ильюхин Р.Г. Возможности технологий «Big Data» в медицине. Врач и информационные технологии. 2019, № 1. C. 59–63.
8. Hassan M, Awan F.M, Naz A, et al. Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care: A Review. Int. J. Mol. Sci. 2022, 23, 4645. doi.org/10.3390/ijms23094645
9. Маркина Н.В., Касюк С.Т., Шамаева Т.Н. Анализ данных в медицинских информационных системах с использованием технологии Data Mining. Информатика, вычислительная техника и управление. Серия «Естественные и технические науки». 2019. № 6. С. 111–116.
10. Магеррамов З.Т., Рагимова Н.А., Абдуллаев В.Г. и др. Технология big data: потенциал, проблемы и применение в медицине и здравоохранении. RI. 2020. С. 54–68.
11. Hassan M, Awan FM, Naz A, et al. Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care: A Review. Int. J. Mol. Sci. 2022, 23, 4645. doi.org/10.3390/ijms23094645
12. Гусев А.В., Евгина С.А., Годков М.А. Искусственный интеллект в здравоохранении России. Роль лаборатории. Лабораторная служба. 2022;11(2):5–8. doi.org/10.17116/labs2022110215
13. Ma C, Wang X, Wu J, et al. Real-world big-data studies in laboratory medicine: current status, application, and future considerations. Clin Biochem. 2020 Oct; 84:21–30. DOI: 10.1016/j.clinbiochem.2020.06.014.
14. Aikens RC, Balasubramanian S, Chen JH. A Machine Learning Approach to Predicting the Stability of Inpatient Lab Test Results. AMIA Jt Summits Transl Sci proceedings AMIA Jt Summits Transl Sci. 2019:515– 523.
15. Cardozo G, Tirloni SF, Pereira Moro AR, et al. Use of Artificial Intelligence in the Search for New Information Through Routine Laboratory Tests: Systematic Review. JMIR Bioinform Biotech. 2022 Dec 23;3(1):e40473. DOI: 10.2196/40473.
16. Yang HS, Hou Y, Vasovic LV, et al. Routine Laboratory Blood Tests Predict SARS-CoV-2 InfectionUsing Machine Learning. Clinical Chemistry. 2020 Nov;66(11):1396–1404. DOI: 10.1093/clinchem/hvaa200.
17. Глазкова А.И., Лукьянова Е.А., Артемьева О.А. и др. Подсчет лейкоцитарной формулы при помощи машинного обучения с использованием смартфона. Лабораторная служба. 2022;11(2):53–55. doi. org/10.17116/labs20221102153
18. Ronzio L, Cabitza F, Barbaro, et al. Has the Flood Entered the Basement? A Systematic Literature Review about Machine Learning in Laboratory Medicine. Diagnostics 2021, 11, 372. doi.org/10.3390/diagnostics11020372
19. Gandhi TK, Kachalia A, Thomas EJ, et al. Missed and delayed diagnoses in the ambulatory setting: A study of closed malpractice claims. Ann. Intern. Med. 2006; 145:488–496. DOI: 10.7326/0003-4819-145-7-200610030-00006.
20. Jie Z, Zhiying Z, Li L. A meta-analysis of Watson for Oncology in clinical application. Sci Rep. 2021;11(1). doi .org/10.1038/s41598-021-84973-5
21. Wen X, Leng P, Wang J, et al. Clinlabomics: leveraging clinical laboratory data by data mining strategies. BMC Bioinformatics. 2022 Sep 24;23(1):387. DOI: 10.1186/s12859-022-04926-1.
22. Mamoshina P, Kochetov K, Cortese F, et al. Blood biochemistry analysis to detect smoking status and quantify accelerated aging in smokers. Sci Rep. 2019; 9:142. DOI: 10.1038/s41598-018-35704-w.
23. Yang H, Luo Y, Ren X, et al. Risk prediction of diabetes: big data mining with fusion of multifarious physical examination indicators. Inf Fusion. 2021; 75:140–149. DOI: 10.1016/j.inffus.2021.02.015.
24. Domínguez-Olmedo JL, Gragera-Martínez Á, et al. Machine learning applied to clinical laboratory data in Spain for COVID-19 outcome prediction: model development and validation. J Med Internet Res. 2021; 23: e26211. DOI: 10.2196/26211.
Рецензия
Для цитирования:
Овчинникова М.А., Жиленкова Ю.И., Черныш Н.Ю. Применение Big Data в лабораторной медицине. Российский журнал персонализированной медицины. 2023;3(4):77-87. https://doi.org/10.18705/2782-3806-2023-3-4-77-87
For citation:
Ovchinnikova M.A., Zhilenkova Yu.I., Chernysh N.Yu. Аpplication of Big Data in laboratory medicine. Russian Journal for Personalized Medicine. Russian Journal for Personalized Medicine. 2023;3(4):77-87. (In Russ.) https://doi.org/10.18705/2782-3806-2023-3-4-77-87
Просмотров:
333
Послать статью по эл. почте 